1.人工智能 

(AI-Artificial Intelligence)

定義：通過計(jì)算機(jī)系統(tǒng)模擬人類智能行為的技術(shù)，涵蓋學(xué)習(xí)、推理、感知、決策等能力。目標(biāo)是讓機(jī)器能完成需要人類智慧的任務(wù)。

例如：智能音箱能夠理解“播放周杰倫的歌曲”的指令并執(zhí)行，這背后結(jié)合了語音識別（感知）和意圖理解（推理）這兩種人工智能技術(shù)。

2.機(jī)器學(xué)習(xí)

(ML-Machine Learning)

定義：通過算法讓計(jì)算機(jī)從數(shù)據(jù)中自動(dòng)學(xué)習(xí)規(guī)律，并用于預(yù)測或決策的技術(shù)。核心是讓機(jī)器具備“從經(jīng)驗(yàn)中改進(jìn)”的能力，而非依賴固定編程規(guī)則。

舉例：在線購物平臺利用機(jī)器學(xué)習(xí)算法根據(jù)瀏覽歷史推薦商品，調(diào)整推薦以符合用戶偏好。

3.深度學(xué)習(xí)

(DL-Deep Learning)

定義：基于多層神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)方法，能自動(dòng)提取數(shù)據(jù)的多層次特征。擅長處理圖像、語音等復(fù)雜非結(jié)構(gòu)化數(shù)據(jù)。

舉例：手機(jī)相冊自動(dòng)識別人臉并分類：通過多層神經(jīng)網(wǎng)絡(luò)先識別邊緣→五官→整體面部特征，最終確定人物身份。

4.神經(jīng)網(wǎng)絡(luò)

(Neural Network)

定義：模仿生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的計(jì)算模型，由大量互連的“神經(jīng)元”分層組成，通過調(diào)整連接權(quán)重實(shí)現(xiàn)信息處理。

示例：在手寫數(shù)字識別任務(wù)中，輸入層負(fù)責(zé)接收像素?cái)?shù)據(jù)，隱藏層進(jìn)行筆畫特征的提取，而輸出層則確定數(shù)字屬于0到9中的哪一個(gè)。

5.自然語言處理

(NLP-Natural Language Processing)

定義：讓計(jì)算機(jī)理解、生成人類語言的技術(shù)，涵蓋語義分析、機(jī)器翻譯等領(lǐng)域。

舉例：在智能客服解答“如何重置密碼”的問題時(shí)，首先需要將語音轉(zhuǎn)換為文字，然后理解詢問的含義，最終形成回答的文本。

6.計(jì)算機(jī)視覺

(CV-Computer Vision)

定義：使計(jì)算機(jī)能夠“看懂”圖像和視頻的技術(shù)，包括物體檢測、圖像分類、人臉識別等應(yīng)用。

舉例：在超市自助結(jié)賬機(jī)中，攝像頭通過識別商品條碼，匹配數(shù)據(jù)庫中的信息，顯示價(jià)格；汽車零部件廠商的CV系統(tǒng)檢測產(chǎn)品缺陷。

7.大語言模型

(LLM-Large Language Model)

定義：基于海量文本數(shù)據(jù)訓(xùn)練的深度學(xué)習(xí)模型，能理解、生成人類語言，完成問答、寫作等任務(wù)。

舉例：在回答問題的過程中，DeepSeek會(huì)深入解析文本的含義，并利用其在訓(xùn)練過程中習(xí)得的語言規(guī)則，來構(gòu)建一個(gè)邏輯連貫的答復(fù)。

8.Transformer架構(gòu)

(Transformer Architecture)

定義：基于注意力機(jī)制構(gòu)建的深度學(xué)習(xí)模型架構(gòu)，擅長處理序列數(shù)據(jù)（如文本），通過并行計(jì)算大幅提升訓(xùn)練效率。

舉例：在將英文句子翻譯成中文時(shí)，谷歌翻譯模型會(huì)同時(shí)考慮“bank”在不同語境下的意義（如銀行/河岸），從而挑選出恰當(dāng)?shù)姆g。

9.生成式AI

(GenAI-Generative AI)

定義：能夠創(chuàng)造新內(nèi)容（文本、圖像、視頻等）的人工智能系統(tǒng)，通過理解數(shù)據(jù)模式生成符合人類需求的原創(chuàng)性輸出。

舉例：用AI生成營銷文案時(shí)，輸入產(chǎn)品關(guān)鍵詞即可生成廣告語、社交媒體推文。

10.多模態(tài)

(Multimodal)

定義：同時(shí)處理和理解多種類型數(shù)據(jù)（文本、圖像、語音等）的技術(shù)，實(shí)現(xiàn)跨媒介的信息融合與推理。

舉例：智能客服在分析了用戶所發(fā)文字“這件衣服質(zhì)量如何”以及產(chǎn)品圖片后，綜合提供了材質(zhì)說明和洗滌建議。

11.知識圖譜

(KG-Knowledge Graph)

定義：以圖結(jié)構(gòu)組織知識的數(shù)據(jù)庫，用節(jié)點(diǎn)表示實(shí)體，邊表示關(guān)系，支持語義搜索和智能推理。

示例：在電子商務(wù)平臺上，用戶在購買手機(jī)時(shí)常常也會(huì)看到推薦耳機(jī)，這是因?yàn)橹R圖譜中存在“手機(jī)-配件-耳機(jī)”的連接關(guān)系。

12.向量化/嵌入技術(shù)

(Embedding)

定義：將文字、圖像等數(shù)據(jù)轉(zhuǎn)換為數(shù)值向量的技術(shù)，使計(jì)算機(jī)能夠通過數(shù)學(xué)運(yùn)算處理語義信息。

舉例：“國王”-“男性”+“女性”=“女王”的向量運(yùn)算，反映詞語間的語義關(guān)系。

13.智能體

(Agent)

定義：能感知環(huán)境、自主決策并執(zhí)行動(dòng)作的AI程序，常應(yīng)用于機(jī)器人、游戲AI等場景。

舉例：自動(dòng)駕駛汽車：通過攝像頭（感知）識別行人→計(jì)算路徑（決策）→控制方向盤（執(zhí)行）完成避讓。

14.通用人工智能

(AGI-Artificial General Intelligence)

定義：具備與人類相當(dāng)?shù)娜I(lǐng)域認(rèn)知能力的人工智能，能靈活應(yīng)對各種未知任務(wù)，目前尚未實(shí)現(xiàn)。

舉例：在科幻影片里的機(jī)器人，不僅能夠識別病癥，還能編寫詩歌，具備多種才能。

訓(xùn)練技術(shù)

15.監(jiān)督學(xué)習(xí)

(SL-Supervised Learning)

定義：使用帶標(biāo)簽數(shù)據(jù)訓(xùn)練的機(jī)器學(xué)習(xí)方法,模型通過對比預(yù)測結(jié)果與標(biāo)準(zhǔn)答案調(diào)整參數(shù)。

舉例：在訓(xùn)練模型識別垃圾郵件時(shí)，提供大量已標(biāo)記的“正常郵件”與“垃圾郵件”樣本，以便模型學(xué)習(xí)區(qū)分它們的特征。

類比：就像學(xué)生使用帶有答案的習(xí)題集，每解答一題后便與正確答案(標(biāo)簽)進(jìn)行對照，通過分析錯(cuò)誤(損失計(jì)算)來防止重復(fù)犯錯(cuò)。

16.預(yù)訓(xùn)練

(Pre-Training)

定義：在大規(guī)模通用數(shù)據(jù)集上進(jìn)行的初步訓(xùn)練，使模型獲得基礎(chǔ)特征提取能力，為后續(xù)任務(wù)提供初始參數(shù)。

舉例：BERT模型通過完形填空任務(wù)預(yù)訓(xùn)練，學(xué)習(xí)詞語上下文關(guān)系，之后可用于問答、分類等下游任務(wù)。

類比：如同學(xué)生廣泛閱讀百科全書（進(jìn)行預(yù)訓(xùn)練），構(gòu)建起知識體系，隨后專注于特定領(lǐng)域（進(jìn)行微調(diào)）。

17.微調(diào)

(FT-Fine-Tuning)

定義：在預(yù)訓(xùn)練模型基礎(chǔ)上，用特定領(lǐng)域數(shù)據(jù)繼續(xù)訓(xùn)練以適配新任務(wù)的過程，通常只調(diào)整部分網(wǎng)絡(luò)層參數(shù)。

舉例：法律文本分類：在通用語言模型基礎(chǔ)上，用法律文書數(shù)據(jù)集微調(diào)預(yù)訓(xùn)練模型，提升專業(yè)術(shù)語理解能力。

類比：像定制西裝時(shí)基于標(biāo)準(zhǔn)版型（預(yù)訓(xùn)練模型），根據(jù)個(gè)人身材數(shù)據(jù)（領(lǐng)域數(shù)據(jù)）調(diào)整袖長、腰圍等細(xì)節(jié)（參數(shù)微調(diào)）。

18.數(shù)據(jù)增強(qiáng)

(DA-Data Augmentation)

定義：通過變換原始數(shù)據(jù)生成新樣本的技術(shù)，增加數(shù)據(jù)多樣性，提升模型泛化能力。

舉例：圖像分類任務(wù)中，對貓的圖片進(jìn)行旋轉(zhuǎn)、裁剪、調(diào)整亮度等操作，生成更多訓(xùn)練樣本。

類比：像用濾鏡編輯照片，同一張風(fēng)景照通過不同濾鏡（增強(qiáng)手段）生成晨霧、晚霞、陰天等版本。

19.知識蒸餾

(KD-Knowledge Distillation)

定義：將大型模型（教師模型）的知識遷移到小型模型（學(xué)生模型）的技術(shù)，通過軟化輸出概率傳遞暗知識。

舉例：將BERT的知識蒸餾到TinyBERT，教師模型不僅傳遞預(yù)測結(jié)果（蘋果是水果），還傳遞“蘋果與梨相似度70%”的軟標(biāo)簽。

類比：像導(dǎo)師帶學(xué)生，教授（大模型）不僅傳授標(biāo)準(zhǔn)答案（硬標(biāo)簽），還講解解題思路（類間關(guān)系），幫助學(xué)生（小模型）舉一反三。

20.模型壓縮

(MC-Model Compression)

定義：通過剪枝（移除冗余參數(shù)）、量化（降低數(shù)值精度）、知識蒸餾（小模型模仿大模型）等技術(shù)，減小模型體積和計(jì)算量，使其更適合在移動(dòng)端或邊緣設(shè)備部署。

舉例：將手機(jī)語音助手模型從500MB壓縮到50MB，在保持90%準(zhǔn)確率的同時(shí)，耗電量降低60%。

類比：像整理行李，通過丟棄不必要的服飾（剪枝）、利用壓縮袋縮小體積（量化）、挑選必需品（蒸餾），使行李（模型）輕巧又實(shí)用。

21.檢索增強(qiáng)生成

(RAG-Retrieval-Augmented Generation)

定義：結(jié)合實(shí)時(shí)檢索外部知識庫與生成模型的技術(shù)，解決大模型事實(shí)性錯(cuò)誤與信息滯后問題，提升生成內(nèi)容的準(zhǔn)確性。

舉例：智能客服回答“最新退換貨政策”時(shí)，先檢索公司知識庫獲取最新條款，再生成回答文本。

類比：律師辦案時(shí)，先查閱最新法典（知識檢索），再結(jié)合案情（用戶問題）撰寫法律文書（生成回答）。

22.多輪對話

(MTD-Multi-Turn Dialogue)

定義：通過對話狀態(tài)追蹤（DST）技術(shù)維護(hù)上下文，支持超過3輪以上的連貫交互，實(shí)現(xiàn)類人對話體驗(yàn)。

示例：用戶：杭州有哪些好玩的地方？ →系統(tǒng)：可以去西湖、靈隱寺看看。 → 用戶再問：哪個(gè)地方更適合帶小孩去呢？ → 系統(tǒng)：西湖有游船和博物館，非常適合親子游。

比較：就像和老朋友聊天，每次對話都流暢地延續(xù)上一次的話題，就像“你之前提到的那家餐廳”→“沒錯(cuò)，就是那家美味的本幫小館”的順暢對話。

23.意圖識別

(IR-Intent Recognition)

定義：將自然語言轉(zhuǎn)化為預(yù)定義意圖標(biāo)簽（如“查詢天氣”“訂餐”）的技術(shù)，是對話系統(tǒng)的核心模塊。

舉例：用戶說“太熱了”，系統(tǒng)識別為“調(diào)節(jié)溫度”意圖，觸發(fā)空調(diào)降溫指令。

類比：像餐廳服務(wù)員，聽到“來點(diǎn)解渴的”立刻理解需要推薦飲品（意圖），而非字面要求“找水解渴”。

24.語義理解

(SU-Semantic Understanding)

定義：通過分析用戶輸入（如文字或語音）判斷其真實(shí)需求的技術(shù)，是對話系統(tǒng)的核心能力。

舉例：對智能音箱說“明天會(huì)下雨嗎”系統(tǒng)識別出“查詢天氣”意圖并調(diào)用天氣API。

類比：像餐廳服務(wù)員通過顧客的“來份牛排”快速理解對方需要點(diǎn)餐。

25.提示詞工程

(PE-Prompt Engineering)

定義：通過結(jié)構(gòu)化指令設(shè)計(jì)、上下文示例、角色模擬等方法，精確引導(dǎo) 大模型輸出的系統(tǒng)性技術(shù)，類似“與機(jī)器溝通的語言藝術(shù)”。

舉例：想讓AI寫招聘啟事，用“用互聯(lián)網(wǎng)行業(yè)術(shù)語撰寫Java工程師招聘，要求3年經(jīng)驗(yàn)，薪資面議”比“寫個(gè)招聘”更有效。

類比：像使用智能咖啡機(jī)時(shí)，選擇“中杯/熱/雙份濃縮”比只說“來杯咖啡”更能得到想要的口味。

26.多模態(tài)交互

(MMI-Multimodal Interaction)

定義：支持同時(shí)使用語音、手勢、圖像等多種方式進(jìn)行人機(jī)交互的技術(shù)，提升交互自然度。

舉例：智能廚房中，用戶說“調(diào)大火力”同時(shí)用手指順時(shí)針劃圈，系統(tǒng)綜合理解后調(diào)整灶臺火焰。

類比：像與朋友對話,邊說“這本書很有趣”邊用手指書中插圖（多模態(tài)），比單純語言描述更易理解。

27.模型參數(shù)量

(MP-Model Parameters)

定義：模型中可調(diào)整的權(quán)重總數(shù)，通常與模型復(fù)雜度正相關(guān)。

舉例：GPT-4有1.76萬億參數(shù)，手機(jī)端小模型可能只有1億參數(shù)。

類比：圖書館藏書量，書籍越多（參數(shù)多）能解答的問題越廣泛，但查找信息也更耗時(shí)耗能。

28.準(zhǔn)確率/召回率/F1分?jǐn)?shù)

(Accuracy/Recall/F1 - Score)

定義：準(zhǔn)確率指的是正確預(yù)測占全部預(yù)測的比例（查得準(zhǔn)）；召回率指的是正確識別出的正例占全部正例的比例（查得全）；F1分?jǐn)?shù)指兩者平衡的綜合指標(biāo)。

舉例：癌癥篩查系統(tǒng)：準(zhǔn)確率98%：100次診斷98次正確；召回率95%：20名患者中檢出19人；F1=96.4%：綜合評估指標(biāo)。

類比：漁夫捕魚，準(zhǔn)確率=撈到的魚中目標(biāo)魚種占比；召回率=所有目標(biāo)魚種被捕獲的比例；F1=評價(jià)綜合捕撈效率。

29.工具調(diào)用

(TC-Tool Calling)

定義：AI系統(tǒng)通過API接口調(diào)用外部工具或服務(wù)的能力,擴(kuò)展模型功能邊界,實(shí)現(xiàn)復(fù)雜任務(wù)處理。

舉例：智能助手收到“訂明早8點(diǎn)鬧鐘”指令后,調(diào)用手機(jī)系統(tǒng)API設(shè)置鬧鐘,而非僅生成文本回復(fù)。

類比：像全能秘書，接到“安排會(huì)議”要求后,實(shí)際操作日歷軟件(工具調(diào)用),而非只是口頭應(yīng)答“好的”。

30.思維鏈

(CoT-Chain of Thought)

定義：要求人工智能在解決復(fù)雜問題時(shí)，顯式展示推理過程中的每個(gè)邏輯步驟，如同人類逐步演算草稿，以提升可驗(yàn)證性與可解釋性。

舉例：面對問題“商品原價(jià)580元，打8折后滿400減50，最終多少錢?”

分步輸出：“首先計(jì)算打折后的價(jià)格：580乘以0.8等于464元；其次，確認(rèn)是否滿足滿減條件：464大于400，因此可以減免50元。最終答案：464元減去50元等于414元。”

類比：像按照指南一步步組裝家具——“拆開包裝-安裝桌腿-固定面板-旋緊螺絲”(分步推理)，相較于直接查看成品圖(直接出結(jié)果)，更為穩(wěn)妥可靠。